论文机器人人形机器人世界模型全身控制缩放律

SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model

AI 解读已生成 · AI 生成，数字以原文为准

AI 全文总结快速浏览仅依据摘要（全文未能获取）

SuperMimic 用单一可微世界模型，单 GPU 3 小时超越 128 GPU 7 天基线。

追踪大规模人体运动数据集已成通用人形全身控制的主流路线，但跨大量运动扩展昂贵：现有 model-free RL 要么有损蒸馏各运动专家，要么以集群算力硬训单一策略。SuperMimic 从标准刚体仿真器的记录转移拟合出同一个可微世界模型，刻画所有运动共享的动力学；世界模型与跟踪策略在同一循环中训练，对短程想象 rollout 做 backpropagation-through-time 获得解析梯度。作者报告，单 GPU 上训练 3 小时即超过需训练 7 天的 SOTA 运动跟踪基线，GPU 小时减少超 $1000 \times$ ，基准失败仅 25 个而基线为 179 个；继续训练后达到全数通过。运动时长变化时世界模型预测误差保持稳定，达到目标回报的 GPU 小时增长缓慢。策略迁移到实体 Unitree G1，完成多样杂技动作，消除算力瓶颈，使运动跟踪扩展规律可测量。

1单一可微世界模型摊销所有动作学习，替代逐动作专家/集群RL。
2单 GPU 3 小时超越 128 GPU 7 天基线的回报。
3真机 Unitree G1 完成多样杂技动作，基准失败仅 25 条。

为什么重要　把训练成本从 128 GPU 7 天降到 1 GPU 3 小时，若复现成立，人形全身控制扩展律实验将不再受算力限制，直接影响数据与训练闭环设计。适合　做人形全身控制、仿真-真机迁移、训练效率优化的工程师与研究者。

来源: arxiv.org
发布: 2026/10/21

中文（AI 翻译）

追踪大规模人体运动数据集已成为实现通用、富有表现力的人形全身控制的主流路线，但在大量动作上扩展的成本很高。现有流程采用无模型强化学习，要么通过有损蒸馏合并针对单个动作的专家策略，要么用集群级算力暴力训练单一策略。

SuperMimic 用一个可微世界模型刻画所有动作共享的动力学，将学习开销分摊到全部动作上，该模型由标准刚体仿真器记录的转移数据拟合而成。世界模型与追踪策略在同一循环中共同训练，对短程想象 rollout 进行 backpropagation-through-time，为策略提供解析梯度。

快速的想象 rollout 与解析梯度使策略学习非常高效。在单张 GPU 上训练 3 小时，SuperMimic 的回报即超过了在 128 张 GPU 上训练 7 天的 SOTA 运动追踪基线。

它将 GPU 时长削减超过 1000×，在 129,514 个基准动作中仅失败 25 个，而基线失败 179 个。在两张 GPU 上训练 9.8 小时后，SuperMimic 实现零失败。

从 1 小时到 264 小时的运动数据量，世界模型的预测误差保持稳定，达到目标回报所需的 GPU 时长仅缓慢增长。我们的策略可迁移到物理 Unitree G1 上，完成多样和高难度杂技动作。

SuperMimic 消除了算力对人形全身控制扩展的瓶颈，使度量运动追踪缩放律变得切实可行。

原文

Tracking large human-motion datasets has become the dominant route to general, expressive humanoid whole-body control, but scaling across many motions is expensive.

Current pipelines use model-free reinforcement learning, either merging per-motion specialists through lossy distillation, or brute-forcing a single policy with cluster-scale compute.

SuperMimic amortizes learning across all motions with one differentiable world model of their shared dynamics, fit from logged transitions of a standard rigid-body simulator.

The world model and the tracking policy train together in one loop, and backpropagation-through-time over short imagined rollouts gives the policy analytic gradients.

Fast imagined rollouts and analytic gradients make policy learning efficient.

In 3 hours on a single GPU, SuperMimic surpasses the return of a state-of-the-art motion tracker baseline trained for 7 days on 128 GPUs.

It reduces GPU-hours by more than $1000 \times$ and fails on only 25 of 129,514 benchmark motions, versus 179 failures for the baseline. After 9.8 hours on two GPUs, SuperMimic achieves zero failures.

From 1 to 264 hours of motion, the world model's prediction error stays stable, and GPU-hours to a target return grow slowly.

Our policy transfers to a physical Unitree G1 across diverse and acrobatic motions.

SuperMimic removes compute as the bottleneck to scaling humanoid whole-body control, making it practical to measure motion-tracking scaling laws.

3小时

训练耗时

单GPU

7天

基线耗时

128 GPUs

25/129,514

失败数

179/129,514

基线失败数

>1000×

GPU小时降幅

原文 more than $1000 \times$

注释 · 所有数字来自摘要；GPU-hour 降幅为原文声称的 >1000×。出自摘要

深度总结

1 / 7

计算瓶颈移除· 判断

单 GPU 3 小时达到基线 128 GPU 7 天的 return，计算不再是扩展瓶颈。

判断

SuperMimic 的关键不是换个策略，而是用可微世界模型把无模型 RL 的梯度替换为解析梯度；这让训练成本下降 1000 倍以上，使成为可通过实验测量的对象。但要等全文的方法与消融细节再下结论。

注释 · 原文称 surpasses the return，未提及具体 return 数值。出自摘要

SuperMimic 用单一可微世界模型，单 GPU 3 小时超越 128 GPU 7 天基线。

1单一可微世界模型摊销所有动作学习，替代逐动作专家/集群RL。

2单 GPU 3 小时超越 128 GPU 7 天基线的回报。

3真机 Unitree G1 完成多样杂技动作，基准失败仅 25 条。

来源

arxiv.org

发布

2026/10/21